J’ai mis en place une plateforme MLOps automatisant l’intégralité du cycle de vie des modèles d’IA dans un contexte médical : entraînement, tests, déploiement, monitoring et amélioration continue.
- Code source : https://github.com/fkdia23/kubeflow
- Automatisation de bout en bout : Jenkins + Kubeflow orchestrent l’ensemble du cycle de vie des modèles.
- Fiabilité 24/7 : monitoring temps réel et rollback instantané en cas de dégradation.
- Amélioration continue : boucle de réentraînement et de redéploiement automatisée.
1. Le défi : passer du POC au modèle industrialisé
- Contexte : un modèle performant en notebook ne suffit pas ; il doit être reproductible, monitoré et fiable en production.
- Enjeux médicaux : exigences fortes de traçabilité, de disponibilité et de contrôle des versions.
- Objectif : industrialiser le cycle de vie complet des modèles, de l’entraînement au monitoring.
2. La solution : un pipeline CI/CD pour le machine learning
- Intégration continue (Jenkins) : déclenchement automatique des pipelines à chaque évolution du code ou des données.
- Orchestration (Kubeflow) : workflows ML reproductibles et scalables sur Kubernetes.
- Tests automatisés : validation des données, des performances du modèle et de la non-régression.
- Déploiement : mise en production contrôlée avec versioning des modèles.
- Monitoring temps réel : suivi des métriques de performance et détection de dérive (drift).
3. Fiabilité et résilience
- Monitoring temps réel : alertes sur les dégradations de performance ou de latence.
- Rollback instantané : retour à la version stable précédente sans interruption de service.
- Amélioration continue : réentraînement automatisé sur de nouvelles données validées.
4. Stack technique
- CI/CD : Jenkins
- Orchestration ML : Kubeflow sur Kubernetes
- Tests : pipelines de tests automatisés (données + modèle)
- Monitoring : suivi des métriques temps réel et dashboards
5. Lien avec le poste
Ce projet met en avant des compétences en architecture Big Data robuste et DevOps, la maîtrise des pipelines complexes ainsi que la gestion de la scalabilité et de la résilience des systèmes — des atouts essentiels pour fiabiliser des solutions data en production.